CN114355206A - 一种基于相似性度量的储能电池无监督故障诊断算法 - Google Patents
一种基于相似性度量的储能电池无监督故障诊断算法 Download PDFInfo
- Publication number
- CN114355206A CN114355206A CN202210009321.2A CN202210009321A CN114355206A CN 114355206 A CN114355206 A CN 114355206A CN 202210009321 A CN202210009321 A CN 202210009321A CN 114355206 A CN114355206 A CN 114355206A
- Authority
- CN
- China
- Prior art keywords
- outlier
- battery
- energy storage
- fault diagnosis
- storage battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000007599 discharging Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012886 linear function Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011524 similarity measure Methods 0.000 claims 9
- 230000011218 segmentation Effects 0.000 claims 2
- 238000009499 grossing Methods 0.000 claims 1
- 230000035772 mutation Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000013024 troubleshooting Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了基于相似性度量的储能电池无监督故障诊断算法,属于储能电池故障诊断领域。解决了现有自主实现无法高效率串联电池组故障检测与定位等问题。本储能电池充放电过程的信号监测、采集、汇总,构建无监督故障诊断数据集;对采集到的信号进行清洗,去除异常点,同时构建滤波器,以抑制采样中混入的噪声;根据充放电过程的信号特性,构建每个单体电池的关键点序列;提取监测信号的分段趋势项特征,将完整的监测信号分割为时间片段,进行分段线性化;构建单体电池离群值计算模块;实现多个标准的信息融合,得到离群程度,作为发生故障的重要衡量指标,进而判别故障电池。实现快速排查故障电池,提供维修建议优点。
Description
技术领域
本发明涉及储能电池故障诊断领域,尤其涉及一种基于相似性度量的储能电池无监督故障诊断算法。
背景技术
推动新型储能快速发展是支撑新型电力系统的重要技术和基础装备。
储能在电源侧能够保障新能源高效消纳利用,为电力系统提供容量支撑及一定调峰能力;在电网侧能够提升大规模高比例新能源及大容量直流接入后系统灵活调节能力和安全稳定水平;在电网末端及偏远地区,建设储能或风光储电站,提高电网供电能力;移动式或固定式储能能够提升应急供电保障能力或延缓输变电升级改造需求;在分布式新能源、微电网、大数据中心、5G基站、充电设施、工业园区等用户侧,融合储能形成新的应用场景。
新型储能系统大多数采用锂电池电芯作为基本单元,储能电池的成组方式是由多个电池电芯串并联成一个模组,多个模组串并联成电池簇,多个电池簇并联形成的一个电池系统单元。这个电池系统单元包含了几千个电池电芯。在电源侧、电网侧和有些用户侧的大型储能电站中会由多个上述的电池系统单元组成,在这样一个由成千上万的电池电芯组成的系统中,有一个电芯出现故障都会给整个系统的安全、稳定、高效运行带来一定的影响。因此电池电芯健康状态的诊断显得尤为重要。
目前针对储能电池故障诊断的方法大多数基于电池整体或者是某一簇电池的运行情况,很少基于电池电芯的分析。大量的电池电芯,锂电池的充放电特性以及重返点的环境因素都给电池故障诊断带来困难。本专利提供一种基于相似性度量的储能电池无监督故障诊断算法,用于自主实现高效率和高精度的串联电池组故障检测与定位,快速排查故障电池,提供维修建议。
发明内容
本发明提供一种储能电池电芯故障识别与诊断方法、装置与系统,主要目标是,在无人监控的条件下,自主实现高效率和高精度的储能电池电芯故障检测与定位,快速排查故障电池,提供维修建议。为实现上述目标,本发明提供了一种储能电池电芯的无监督故障诊断算法,所述方法可应用于分布式数据采集和分析终端,所述技术方案包括:
S1、储能电池充放电过程的信号监测、采集、汇总,构建无监督故障诊断数据集;
S2、对采集到的信号进行清洗,去除因传感器波动、操作环境突变等因素引起的异常点,同时利用滑动平均法构建滤波器,以抑制采样中混入的噪声。每隔一个采样时间,滑动时间窗口向前滑动一次,时间窗的长度为L,采样数为n,因此共滑动n-L 次。
S3、根据充放电过程的信号特性,根据极大(小)值点、拐点等时序特征,构建每个单体电池的关键点序列;
由于串联电池组的监测信号是离散信号,因此计算其一阶差分和二阶差分,取一阶差分和二阶差分为零的时刻作为关键点,从而构建由极大(小)值和拐点组成的关键点序列。
S4、提取监测信号的分段趋势项特征。基于每个单体电池的关键点序列,将完整的监测信号分割为若干时间片段。进行分段线性化,在每个时间片段上,用线性函数代替原本的非线性信号,将各时间片段内的斜率作为趋势项,最终构建每个单体电池的趋势项序列。
S5、基于相似性分析原理,构建单体电池离群值计算模块,该模块能够衡量每一单体电池与其余电池在充放电过程中的离群程度,为此构建以下三个离群度量子模块;
S501、构建欧氏距离子模块。针对某一单体电池,逐一计算其监测信号与其他所有电池的二范数,取平均值作为该单体电池在欧氏距离标准下的离群值。
S502、构建关键点分布子模块。针对某一单体电池,利用动态时间规整方法,逐一计算其关键点序列与其他所有电池的距离,取平均值作为该单体电池在关键点分布标准下的离群值。
S503、构建趋势项差异子模块。针对某一单体电池,利用动态时间规整方法,逐一计算其趋势特征序列与其他所有电池的距离,取平均值作为该单体电池在趋势项差异标准下的离群值。
S6、将三个标准视作三个不同的基本概率分配函数,某电池存在故障视作基本假设空间,进而利用D-S证据理论,实现多个标准的信息融合,得到每个单体电池相较于其他单体电池的离群程度,作为发生故障的重要衡量指标;若离群值超过某一设定阈值,则判定该电池故障。
采用以上技术方案后,本发明的基于相似性度量的储能电池无监督故障诊断算法,与现有技术相比,具有以下优点:
本方法基于距离进行两两单体电池间的相似性度量,计算开销小,鲁棒性好,易于工程实现;构建多个离群度量标准,从电池的充放电阶段、实时电量等多角度捕捉电池特征,有效提高了时序信息的提取能力;针对不同单体电池存在的特征差异,引入动态时间规整,本方法对于不同的电池对象和充放电场景有较强的适应能力;本方法属于无监督学习,不仅可以在无需人工标定的前提下捕捉充放电阶段、电池实时状态等因素,而且能够在故障样本未知的情况下识别异常电池,实现在线诊断。
本发明的其他特征和优点将在随后的说明书中阐述。
附图说明
图1是本发明实施例基于相似性度量的总流程图。
图2是实施例的原始监测信号图。
图3是实施例在基于欧氏距离标准下的离群值曲线示意图。
图4是实施例的原始监测信号经一阶导数后的曲线示意图。
图5是实施例的原始监测信号经二阶导数后的曲线示意图。
图6是本发明在实施例上经D-S证据理论进行信息融合后得到的最终结果。
具体实施方式
以下结合附图和实施例对本发明作进一步说明。
S1、采集若干充放电周期内电池组的电压信号,包含正常电池和故障电池的数据。假设所检测电池组包含m个单体电池,在若干充放电周期内共有n个采样样本,构建电池组的监测矩阵X=[X1,X2,…,Xn]∈Rn×m,其中
Xi∈Rm,i=1,2,m,X·j∈Rn,j=1,2,…,n。
S2、将数据矩阵接入异常值处理模块,该模块能够实监测信号的滤波、平滑。针对t时刻的监测信号,异常值处理模块构建时间窗Wt,时间窗长度为L,故窗内包含数据[Xt-L,Xt-L+2,…,Xt-1]。针对每一个单体电池的监测信号,由于存在噪声、传感器突变等原因,需要对信号作平滑处理,以去除异常点,同时对于电池在充放电阶段因状态变化所产生的时变性因素,需要尽可能多地予以保留。首先计算时间窗内信号的均值
和标准差
其中i=1,2,...,m。根据68–95–99.7法则,落在窗口内信号均值3倍标准差内的概率为99.73%,因此定义均值的上下3倍标准差构成了当前时刻信号的正常范围。
时间窗在全部数据上滑动,共滑动n-L次,得到平滑后的信号,后续所指的信号均为平滑后的信号。
S3、为了提取信号的时序规律,构建特异时刻点序列,其能够体现实际电池对象在充放电过程中处于充电状态还是放电状态,以及充放电过程中从快速到慢速阶段的改变。
针对每一单体电池j及其监测信号xj,计算每一时刻的一阶差分和二阶差分对于得到的一阶差分矩阵F和二阶差分矩阵G,根据矩阵F和矩阵G第k列中值为零的对应时刻,构成了第k个监测信号的特异时刻点序列其中 Nk为第k个监测信号的特异时刻点个数。
定义关键点为特异时刻点序列中的孤立点,即特异时刻点pm是关键点,当且仅当pm-pm-1>1。若pm-pm-1=1,则舍弃该特异时刻点。遍历Pi,可得第k个监测信号的关键点序列其中Mk为第k个监测信号的特异时刻点个数。类似地,其余监测信号的关键点序列可以按上述步骤得出。
S4、提取监测信号的分段趋势项特征。根据每个单体电池的关键点序列,将完整的监测信号分割为Mk+1个时间片段。为方便起见,记第j个单体电池的监测信号xj为C∈Rn,其关键点序列
在第i个时间片段上,用线性函数代替原非线性信号以实现分段线性化。线性函数的表达式为其中斜率若时间片段涉及两个端点,则以端点值代替。对于第一个时间片段,对于第 Mj+1个时间片段,最终构建了第j个单体电池的趋势项序列为类似地,可以构建电池组中其余单体电池的趋势项序列。
S5、构建单体电池离群程度的计算模块,该模块分为3个如下子模块。
S501、离群值计算模块一:计算基于欧式距离的单体电池离群程度。针对某一单体电池j及其监测信号Xj∈Rn,与另一单体电池k的离群程度为
欧氏距离标准下,单体电池j的离群程度定义为与其他所有单体电池的离群程度的平均值,即
其中Distance(·,·)是利用动态时间规整方法所得距离。不同于欧氏距离,动态时间规整方法能够衡量两个长度不一致的时间序列之间的距离。关键点分布标准下,单体电池j的离群程度定义为与其他所有单体电池的离群程度的平均值,即
S503、离群值计算模块三:计算基于趋势项分布的单体电池离群程度。与动态时间规整标准类似,针对某一单体电池j及其趋势项序与另一单体电池k的离群程度为Tiendjk=Distance(Ti,Tk),其中 Distance(·,·)是利用动态时间规整方法所得距离。趋势项分布的标准下,单体电池j的离群程度定义为与其他所有单体电池的离群程度的平均值,即
三个离群值计算模块的输出分别为三个矩阵E,D,Trend,矩阵维度与实际信号的特性有关。
S6、根据D-S证据理论,构建离群值融合模块,其作用是融合三个不同标准下的离群值,有效克服三个标准存在出入而带来的决策困难。记三个标准分别为m1,m2和m3,对应的离群值为E,D,Trend,电池组中的电池为B1,B2,…,BN,它们构成了识别框架Θ={B1,B2,...,BN},其中N是单体电池的数量,mi(Bj)为第i个标准下单体电池Bj的离群程度,由于softmax函数的输出特性,满足显然有
则对于某一单体电池Bi,离群值融合模块按下式计算其在三个标准下离群值的融合结果,计算方法为
离群值融合模块的输出是单体电池Bi的故障概率,即融合后的结果为
若某一单体电池的故障概率超过设定阈值50%,则判定其出现故障,并将建议信息传入人机交互系统。
本实施例利用合肥某BMS系统监测数据对基于相似性度量的储能电池无监督故障诊断算法进行验证。具体过程如下:
(1)BMS采集电池组若干次充放电过程中的电压信号,共计216个单体电池,1439个样本;
(2)故障电池在充放电过程中,其电压信号存在异常升高、高位保持等特征,与正常电池存在一定差异,如附图2所示。因此可以通过提取关键点、趋势项等特征,对电池状态进行数学描述,如附图3-5所示。
(3)附图6为故障诊断的结果。电池组中单体电池BMS2N4U007的故障概率明显高于其他电池,超过阈值50%,因此判定其出现故障。本技术方案下,故障电池的BMS2N4U007 的故障概率远远高于其他正常电池,诊断结果具有很高的置信度。
Claims (11)
1.一种基于相似性度量的储能电池无监督故障诊断算法,其特征在于,包括如下步骤:
S1、储能电池充放电过程的信号监测、采集、汇总,构建无监督故障诊断数据集;
S2、对采集到的信号进行清洗,去除因传感器波动、操作环境突变因素引起的异常点,同时利用滑动平均法构建滤波器,以抑制采样中混入的噪声;
S3、根据充放电过程的信号特性,根据极大(小)值点、拐点时序特征,构建每个单体电池的关键点序列;
S4、提取监测信号的分段趋势项特征,基于每个单体电池的关键点序列,将完整的监测信号分割为若干时间片段,进行分段线性化;
S5、基于相似性分析原理,构建单体电池离群值计算模块,包含三个离群度量子模块;
S6、利用D-S证据理论,实现多个标准的信息融合,得到每个单体电池相较于其他单体电池的离群程度,作为发生故障的重要衡量指标,进而判别故障电池。
2.根据权利要求1所述的一种基于相似性度量的储能电池无监督故障诊断算法,其特征在于,在步骤S1中,具体包括以下步骤:
S101、利用电压传感器采集若干充放电周期内电池组的电压信号;
S102、所检测电池组包含m个单体电池,在若干充放电周期内共有n个采样样本,构建电池组的监测矩阵。
3.根据权利要求1所述的一种基于相似性度量的储能电池无监督故障诊断算法,其特征在于,在步骤S2中,具体包括以下步骤:
S201、计算局部信号的均值、标准差,构建当前时刻监测信号的正常范围;
S202、对落在正常范围外的监测信号进行平滑处理。
4.根据权利要求3所述的一种基于相似性度量的储能电池无监督故障诊断算法,其特征在于,在步骤S201中,利用时间窗构建时间序列片段,以反映局部特征以去除异常点,时间窗Wt包含数据
[Xt-L,Xt-L+2,...,Xt-1] (1)
其中L为时间窗的长度,时间窗每次向后推移一个时刻。
8.根据权利要求1所述的一种基于相似性度量的储能电池无监督故障诊断算法,其特征在于,在步骤S4中,具体包括以下步骤:
S401、根据步骤S3得到的关键点序列,将监测信号分割若干片段,在每一片段上用线性函数代替原非线性信号以实现分段线性化;
S402、提取各线性函数的斜率,以反映每个时序片段上的趋势,构成分段趋势项特征序列。
9.根据权利要求1所述的一种基于相似性度量的储能电池无监督故障诊断算法,其特征在于,在步骤S5中,利用多种离群值标准,分别构建单体电池离群程度的计算模块,计算每一单体电池的离群值,具体包括以下步骤:
S501、根据欧式距离标准,逐一计算每个单体电池的离群值;
S502、根据关键点分布标准,逐一计算每个单体电池的离群值;
S503、根据趋势项分布标准,逐一计算每个单体电池的离群值。
11.根据权利要求9所述的一种基于相似性度量的储能电池无监督故障诊断算法,其特征在于,在步骤S502中,针对某一单体电池的监测信号,与另一单体电池k的离群程度用关键点分布衡量,最后通过归一化函数映射为离群值,即
其中Djk=Distance(Tj,Tk)。根据权利要求9所述的一种基于相似性度量的储能电池无监督故障诊断算法,其特征在于,在步骤S503中,针对某一单体电池的监测信号,与另一单体电池k的离群程度用趋势项分布衡量,最后通过归一化函数映射为离群值,即
其中Trendjk=Distance(Tj,Tk)。根据权利要求1所述的一种基于相似性度量的储能电池无监督故障诊断算法,其特征在于,在步骤S6中,引入D-S证据理论融合多个离群值标准,综合计算每一单体电池的离群值,具体包括以下步骤:
S601、根据三个标准的定义及其离群值,构建电池组故障诊断的辨识框架;
S602、构建离群值融合模块,分别融合每一个单体电池三个标准下的离群值,输出故障概率;
S603、根据故障概率和设定阈值,判定电池是否出现故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210009321.2A CN114355206A (zh) | 2022-01-05 | 2022-01-05 | 一种基于相似性度量的储能电池无监督故障诊断算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210009321.2A CN114355206A (zh) | 2022-01-05 | 2022-01-05 | 一种基于相似性度量的储能电池无监督故障诊断算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114355206A true CN114355206A (zh) | 2022-04-15 |
Family
ID=81108059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210009321.2A Pending CN114355206A (zh) | 2022-01-05 | 2022-01-05 | 一种基于相似性度量的储能电池无监督故障诊断算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114355206A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115291108A (zh) * | 2022-06-27 | 2022-11-04 | 东莞新能安科技有限公司 | 数据生成方法、装置、设备及计算机程序产品 |
CN116482560A (zh) * | 2023-06-21 | 2023-07-25 | 中国华能集团清洁能源技术研究院有限公司 | 电池故障检测方法、装置、电子设备及存储介质 |
CN117214766A (zh) * | 2023-11-09 | 2023-12-12 | 深圳市蓝之洋科技有限公司 | 一种移动电源故障检测方法、装置及设备 |
CN117422417A (zh) * | 2023-11-07 | 2024-01-19 | 东莞市维能新能源有限公司 | 一种工业储能系统管理方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120185728A1 (en) * | 2010-12-24 | 2012-07-19 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
CN106154182A (zh) * | 2016-08-26 | 2016-11-23 | 上海电力学院 | 一种基于改进d‑s证据理论的锂电池故障诊断方法 |
CN109765490A (zh) * | 2018-11-12 | 2019-05-17 | 北京理工大学 | 一种基于高维数据诊断的动力电池故障检测方法及系统 |
CN109814043A (zh) * | 2017-11-17 | 2019-05-28 | 上海国际汽车城(集团)有限公司 | 串联结构锂离子电池组一致性可视化评价方法 |
US20190310321A1 (en) * | 2016-10-19 | 2019-10-10 | San Diego State University Research Foundation | Methods and circuitry for fault detection and automatic equalizers for battery packs |
CN112327189A (zh) * | 2020-10-14 | 2021-02-05 | 北方工业大学 | 一种基于knn算法的储能电池健康状态综合判断方法 |
CN112906744A (zh) * | 2021-01-20 | 2021-06-04 | 湖北工业大学 | 一种基于孤立森林算法的故障单体电池识别方法 |
CN113326728A (zh) * | 2021-04-12 | 2021-08-31 | 国网江苏省电力有限公司营销服务中心 | 一种基于d-s证据理论的网络异常检测方法 |
CN113552496A (zh) * | 2021-06-29 | 2021-10-26 | 哈尔滨理工大学 | 一种基于电压余弦相似性的电池串联模组内短路故障诊断方法 |
CN113740754A (zh) * | 2021-09-06 | 2021-12-03 | 北京西清能源科技有限公司 | 一种检测电池组不一致性的方法与系统 |
CN113805066A (zh) * | 2021-09-20 | 2021-12-17 | 哈尔滨工业大学(威海) | 一种基于改进欧氏距离相似度的串联电池组多故障诊断方法 |
-
2022
- 2022-01-05 CN CN202210009321.2A patent/CN114355206A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120185728A1 (en) * | 2010-12-24 | 2012-07-19 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
CN106154182A (zh) * | 2016-08-26 | 2016-11-23 | 上海电力学院 | 一种基于改进d‑s证据理论的锂电池故障诊断方法 |
US20190310321A1 (en) * | 2016-10-19 | 2019-10-10 | San Diego State University Research Foundation | Methods and circuitry for fault detection and automatic equalizers for battery packs |
CN109814043A (zh) * | 2017-11-17 | 2019-05-28 | 上海国际汽车城(集团)有限公司 | 串联结构锂离子电池组一致性可视化评价方法 |
CN109765490A (zh) * | 2018-11-12 | 2019-05-17 | 北京理工大学 | 一种基于高维数据诊断的动力电池故障检测方法及系统 |
CN112327189A (zh) * | 2020-10-14 | 2021-02-05 | 北方工业大学 | 一种基于knn算法的储能电池健康状态综合判断方法 |
CN112906744A (zh) * | 2021-01-20 | 2021-06-04 | 湖北工业大学 | 一种基于孤立森林算法的故障单体电池识别方法 |
CN113326728A (zh) * | 2021-04-12 | 2021-08-31 | 国网江苏省电力有限公司营销服务中心 | 一种基于d-s证据理论的网络异常检测方法 |
CN113552496A (zh) * | 2021-06-29 | 2021-10-26 | 哈尔滨理工大学 | 一种基于电压余弦相似性的电池串联模组内短路故障诊断方法 |
CN113740754A (zh) * | 2021-09-06 | 2021-12-03 | 北京西清能源科技有限公司 | 一种检测电池组不一致性的方法与系统 |
CN113805066A (zh) * | 2021-09-20 | 2021-12-17 | 哈尔滨工业大学(威海) | 一种基于改进欧氏距离相似度的串联电池组多故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
CHANG ZHENG XING 等: "Outlier Mining Algorithm Based on Data-Partitioning and Density-Grid", 《IEEE》, 17 January 2013 (2013-01-17) * |
冯雪松: "大规模电池群组现场环境数据挖掘、建模与应用研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 01, 15 January 2021 (2021-01-15) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115291108A (zh) * | 2022-06-27 | 2022-11-04 | 东莞新能安科技有限公司 | 数据生成方法、装置、设备及计算机程序产品 |
CN116482560A (zh) * | 2023-06-21 | 2023-07-25 | 中国华能集团清洁能源技术研究院有限公司 | 电池故障检测方法、装置、电子设备及存储介质 |
CN116482560B (zh) * | 2023-06-21 | 2023-09-12 | 中国华能集团清洁能源技术研究院有限公司 | 电池故障检测方法、装置、电子设备及存储介质 |
CN117422417A (zh) * | 2023-11-07 | 2024-01-19 | 东莞市维能新能源有限公司 | 一种工业储能系统管理方法及系统 |
CN117422417B (zh) * | 2023-11-07 | 2024-05-07 | 东莞市维能新能源有限公司 | 一种工业储能系统管理方法及系统 |
CN117214766A (zh) * | 2023-11-09 | 2023-12-12 | 深圳市蓝之洋科技有限公司 | 一种移动电源故障检测方法、装置及设备 |
CN117214766B (zh) * | 2023-11-09 | 2024-02-09 | 深圳市蓝之洋科技有限公司 | 一种移动电源故障检测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114355206A (zh) | 一种基于相似性度量的储能电池无监督故障诊断算法 | |
CN110263172B (zh) | 一种电网监控告警信息事件化自主识别方法 | |
WO2022151819A1 (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN116154900B (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
CN114252103B (zh) | 融合电站运行故障预测方法 | |
CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
US20230384392A1 (en) | Method for detecting abnormal condition or fault of battery, and a battery management system operating the same | |
CN108681625A (zh) | 基于大数据技术的变压器短期过载能力智能评估系统 | |
CN117169751A (zh) | 基于机器学习的储能电站故障监测管理系统与方法 | |
CN113019964A (zh) | 一种退役动力电池快速分选系统和方法 | |
Wang et al. | An inconsistency fault diagnosis method for lithium-ion cells in the battery pack based on piecewise dimensionality reduction and outlier identification | |
CN114705251B (zh) | 一种制氢电解槽状态监测装置及方法 | |
CN108761258A (zh) | 基于人工智能和大数据技术的变压器短期过载能力评估系统 | |
CN114817847A (zh) | 一种基于多层前馈神经网络的储能电站智能监测方法 | |
CN115511111A (zh) | 一种基于时序数据多尺度特征的电站运维状态监测方法 | |
CN116577673B (zh) | 一种基于分布式神经网络的储能电站故障诊断方法及系统 | |
Xia et al. | Technologies for Energy Storage Power Stations Safety Operation: Battery State Evaluation Survey and a Critical Analysis | |
CN115601197B (zh) | 光伏电站的异常状态检测方法、装置 | |
CN116908694B (zh) | 一种家用储能系统的soh估算方法 | |
Wang et al. | Segmented Prediction Model of Lithium-ion Battery Remaining Useful Life Based on LSTM and SVR | |
CN112485676B (zh) | 一种数字镜像下的电池储能系统状态估计预警方法 | |
CN117394409B (zh) | 储能电站设备状态的智能评估方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |